PENCOCOKAN CITRA UNTUK PENGENALAN PRODUK BELANJA MENGGUNAKAN SIFT (SCALE-INVARIANT FEATURE TRANSFORM)

Ronny Makhfuddin Akbar, Nani Sunarmi

Abstract


Banyak informasi yang bisa diambil pada citra, seperti kedalaman warna, pencahayaan dan nilai piksel. Dengan informasi tersebut, komputer dapat mengenali suatu objek dengan ekstrasi fitur pada citra. Pengenalan produk belanja mempunyai banyak keuntungan seperti aplikasi untuk menampilkan informasi nutrisi, iklan, dan harga. Citra produk belanja banyak yang tidak memiliki variasi tekstur sehingga memberikan titik utama fitur yang lebih sedikit untuk pencocokan. Oleh karena itu memerlukan pendekatan untuk meningkatkan kemampuan sistem dalam pengenalan produk belanja menggunakan metode Scale-Invarian Feature Transform (SIFT). Pada penelitian ini, metode SIFT digunakan untuk mengenali produk belanja dan menentukan lokasi produk tersebut. Selain itu, jarak eucledian antara titik-titik fitur SIFT digunakan untuk mengenali tekstur produk belanja dan metode Random Sampling Consensus (RANSAC) dan homography digunakan untuk menghilangkan kecocokan yang salah. Berdasarkan hasil pengujian yang telah dilakukan, dari 91 database produk dan 50 citra uji metode SIFT berhasil mengenali sejumlah produk dengan benar pada kereta belanja dengan menampilkan nama dan lokasi produk. Performa metode SIFT menunjukkan tingkat akurasi precision dengan nilai rata-rata 48.89 dan tingkat akurasi recall dengan nilai rata-rata 65.56%, hal ini menunjukkan tingkat akurasi metode SIFT menurun dengan bertambahnya jumlah produk pada kereta belanja, serta waktu proses pengenalan produk rata-rata 29.85 detik dengan resolusi citra 2208 x 3928 piksel. Metode SIFT juga berhasil dalam pengenalan produk dengan bentuk permukaan datar dan mempunyai banyak tektur seperti kemasan kotak dibandingkan dengan jenis produk yang mudah berubah bentuk dan mudah memantulkan cahaya.

Keywords


pencocokan citra, pengenalan produk belanja, SIFT, homography, RANSAC

Full Text:

PDF

References


D. G. Lowe, “Object recognition from local scale-invariant features,” Proc. Seventh IEEE Int. Conf. Comput. Vis., pp. 1150–1157 vol.2, 1999.

W. Setiawan, A. Wahyudin, and G. R. Widianto, “The use of scale invariant feature transform (SIFT) algorithms to identification garbage images based on product label,” in Proceeding - 2017 3rd International Conference on Science in Information Technology: Theory and Application of IT for Education, Industry and Society in Big Data Era, ICSITech 2017, 2018, vol. 2018–Janua, pp. 336–341.

A. Setiyawan, “Pencocokan Citra Berbasis Scale Invariant Feature Transform (SIFT) menggunakan Arc Cosinus,” J. Tek. Inform., pp. 1–4, 2014.

G. Zhang, S. Zhang, Z. Zeng, H. Guan, and X. Li, “Product image search with regional evidences,” in 2016 International Conference on Progress in Informatics and Computing (PIC), 2016, pp. 364–368.

G. Ramu and S. B. G. T. Babu, “Image forgery detection for high resolution images using SIFT and RANSAC algorithm,” Proc. 2nd Int. Conf. Commun. Electron. Syst. ICCES 2017, vol. 2018–Janua, no. Icces, pp. 850–854, 2018.

D. G. Lowe, “Distinctive image features from scale invariant keypoints,” Int. J. Comput. Vis., vol. 60, pp. 91–11020042, 2004.

M. A. Fischler and R. C. Bolles, “Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography,” Commun. ACM, vol. 24, no. 6, pp. 381–395, 1981.




DOI: https://doi.org/10.22219/sentra.v0i4.2282

Refbacks

  • There are currently no refbacks.


Seketariat

Fakultas Teknik

Universitas Muhammadiyah Malang Kampus III

Jl. Raya Tlogomas 246 Malang, 65144